PENINGKATAN KLASIFIKASI OBESITAS DENGAN METODE PEMBELAJARAN MESIN CANGGIH DAN SELEKSI FITUR

• Winarlin Dirsam
• 14220023

---

ABSTRAK

ABSTRAK

 

Nama : Winarlin Dirsam

NIM : 14220023

Program Studi : Magister Ilmu Komputer

Komputer Jenjang : Strata Dua (S2)

Konsentrasi : Artificial Intelligence & Blockchain

Judul Tesis : Peningkatan Klasifikasi Obesitas dengan Metode

Pembelajaran Mesin Canggih dan Seleksi Fitur

 

Obesitas merupakan permasalahan kesehatan global yang semakin meningkat dan berpotensi menimbulkan berbagai komplikasi serius. Deteksi dini terhadap kondisi ini sangat penting karena dapat menurunkan risiko dan keparahan penyakit penyerta, sehingga membantu mengurangi beban kesehatan secara luas. Penelitian ini bertujuan untuk menganalisis penerapan berbagai metode pembelajaran mesin dalam memprediksi obesitas. Data yang digunakan berasal dari dataset terbuka pada Machine Learning Repository yang mencakup 2.112 individu dengan 17 variabel, meliputi kondisi fisik, pola konsumsi, serta karakteristik demografis. Analisis awal dilakukan menggunakan matriks korelasi, kemudian metode SpFSR diterapkan untuk meningkatkan proses seleksi fitur sekaligus mengidentifikasi keterkaitan antarvariabel. Selanjutnya, beberapa algoritma pembelajaran mesin, yaitu Logistic Regression (LR), k-Nearest Neighbors (kNN), Decision Tree (DT), Support Vector Machine (SVM), Naïve Bayes (NB), dan Random Forest (RF), digunakan untuk membangun model klasifikasi obesitas. Hasil evaluasi menunjukkan bahwa algoritma Random Forest Memperoleh Tingkat akurasi tertinggi sebesar 94%, diikuti oleh Decision Tree dengan akurasi 92%. Penerapan metode SpFSR berhasil menyaring 10 fitur paling berpengaruh, di antaranya riwayat obesitas dalam keluarga, tinggi badan, usia di atas 9 tahun, serta jumlah makan utama per hari, yang secara keseluruhan meningkatkan akurasi model hingga 95,3%. Temuan ini menunjukkan bahwa kombinasi SpFSR dan

Random Forest memberikan kinerja terbaik dalam mengidentifikasi faktor Risiko utama obesitas sekaligus menghasilkan informasi yang relevan untuk upaya pencegahan. Meski demikian, penelitian ini masih memiliki keterbatasan, terutama ketergantungan pada dataset dengan skala terbatas, sehingga generalisasi hasil pada populasi yang lebih luas perlu dikaji lebih lanjut. Secara keseluruhan, penelitian ini menegaskan pentingnya integrasi metode seleksi fitur yang canggih dalam model prediksi untuk mendukung deteksi dini dan pencegahan obesitas.

Kata Kunci: Klasifikasi, Deteksi dini, Seleksi fitur, Machine learning, Obesitas

KATA KUNCI

Klasifikasi Obesitas,Metode Pembelajaran Mesin Canggih

---

DAFTAR PUSTAKA

DAFTAR PUSTAKA

 

[1] “Cell death and inflammation during obesity: ‘Know my methods, WAT(son)”, Cell Death Differ., Vol. 30, No. 2, pp. 279-292, 2023.

[2] C. Boutari and C. S. Mantzoros, “A 2022 update on the epidemiology of obesity and a call to action: as its twin COVID-19 pandemic appears to be receding, the obesity and dysmetabolism pandemic continues to rage on”, Metabolism, Vol. 133, p. 155217, 2022.

[3] P. Hossain, B. Kawar, and M. El Nahas, “Obesity and diabetes in the developing world—a growing challenge”, N. Engl. J. Med., Vol. 356, No. 3, pp. 213-215, 2007.

[4] D. Kirwan, “Global health: current issues, future trends and foreign policy”, Clin. Med., Vol. 9, No. 3, pp. 247-253, 2009.

[5] X. Lin and H. Li, “Obesity: Epidemiology, Pathophysiology, and Therapeutics”, Front. Endocrinol., Vol. 12, p. 706978, 2021.

[6] F. Q. Nuttall, “Body Mass Index: Obesity, BMI, and Health—A Critical Review”, Nutr. Today, Vol. 50, No. 3, pp. 117-128, 2015.

[7] A. Romero-Corral et al., “Accuracy of body massindex in diagnosing obesity in the adult general population”, Int. J. Obes., Vol. 32, No. 6, pp. 959-966, 2008.

[8] N. H. Phelps et al., “Worldwide trendsin underweight and obesity from 1990 to 2022: a pooled analysis of 3663 population-representative studies with 222 million children, adolescents, and adults”, The Lancet, Vol. 403, No. 10431, pp. 1027-1050, 2024.

[9] A. W. Kranjac and D. Kranjac, “Explaining adult obesity, severe obesity, and BMI: Five decades of change”, Heliyon, Vol. 9, No. 5, p. e16210, 2023.

[10] C. Koliaki, M. Dalamaga, and S. Liatis, “Update on the Obesity Epidemic: After the Sudden Rise, Is the Upward Trajectory Beginning to Flatten?”, Curr. Obes. Rep., Vol. 12, No. 4, pp. 514-527, 2023.

[11] N. Temple, “The Origins of the Obesity Epidemic in the USA—Lessons for Today”, Nutrients, Vol. 14, No. 20, p. 4253, 2022.

[12] A. Zilanawala, P. Davis-Kean, J. Nazroo, A. Sacker, S. Simonton, and Y. Kelly, “Race/ethnic disparities in early childhood BMI, obesity and overweight in the United Kingdom and United States”, Int. J. Obes., Vol. 39, No. 3, pp. 520-529, 2015.

[13] B. A. Elfaki, “Factors contributing to overweight and obesity among young adults”, Int. J. Health Sci., Vol. 7, No. S1, pp. 698-709, 2023.

[14] C. V. Anekwe, A. R.Jarrell, M.J. Townsend, G. I. Gaudier,J. M. Hiserodt, and F. C. Stanford, “Socioeconomics of Obesity”, Curr. Obes. Rep., Vol. 9, No. 3, pp. 272-279, 2020.

[15] F. Lopez-Jimenez et al., “Obesity and cardiovascular disease: mechanistic insights and management strategies”, Eur. J. Prev. Cardiol., Vol. 29, No. 17, pp. 2218-2237, 2022.

[16] G. M. M. D. Oliveira et al., “Estatística Cardiovascular—Brasil 2021”, Arq. Bras. Cardiol., Vol. 118, No. 1, pp. 115-373, 2022.

[17] M. Knip et al., “SARS-CoV-2 and type 1 diabetes in children in Finland: an observational study”, Lancet Diabetes Endocrinol., Vol. 11, No. 4, pp. 251- 260, 2023.

[18] F. Zatterale et al., “Chronic Adipose Tissue Inflammation Linking Obesity to Insulin Resistance and Type 2 Diabetes”, Front. Physiol., Vol. 10, p. 01607, 2020.

[19] Y. T. Wondmkun, “Obesity, Insulin Resistance, and Type 2 Diabetes: Associations and Therapeutic Implications”, Diabetes Metab. Syndr. Obes. Targets Ther., Vol. 13, pp. 3611-3616, 2020.

[20] T. V. Rohm, D. T. Meier, J. M. Olefsky, and M. Y. Donath, “Inflammation in obesity, diabetes, and related disorders”, Immunity, Vol. 55, No. 1, pp. 31- 55, 2022.

[21] M. Gülü et al., “Is early or late biological maturation a trigger for obesity? A machine learning modeling research in Turkey boys and girls”, Front. Nutr., Vol. 10, p. 1139179, 2023.

[22] Z. Dai, Z. Zhang, and S. Zhao, “The Risk of Type 2 Diabetes and Coronary Artery Disease in Non-obese Patients With Non-alcoholic Fatty Liver Disease: A Cohort Study”, Front. Cardiovasc. Med., Vol. 8, p. 680664, 2021.

[23] J. Kuneš et al., “Obesity, Cardiovascular and Neurodegenerative Diseases: Potential Common Mechanisms”, Physiol. Res., Vol. 72, pp. S73-S90, 2023.

[24] J. Jeon, “Age-specific risk factors for the prediction of obesity using a machine learning approach”, Front. Public Health, Vol. 10, p. 998782, 2022.

[25] S. A. Thamrin et al., “Predicting Obesity in Adults Using Machine Learning Techniques: An Analysis of Indonesian Basic Health Research 2018”, Front. Nutr., Vol. 8, p. 669155, 2021.

[26] F. Sugandh et al., “Advances in the Management of Diabetes Mellitus: A Focus on Personalized Medicine”, Cureus, 2023, https://doi.org/10.7759/cureus.43697.

[27] X. Cheng et al., “Does Physical Activity Predict Obesity—A Machine Learning and Statistical Method-Based Analysis”, Int. J. Environ. Res. Public Health, Vol. 18, No. 8, p. 3966, 2021